| dc.contributor.advisor | Πρέντζα, Ανδριάνα | |
| dc.contributor.author | Ούτος, Κωνσταντίνος | |
| dc.date.accessioned | 2025-01-16T13:31:12Z | |
| dc.date.available | 2025-01-16T13:31:12Z | |
| dc.date.issued | 2024-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17320 | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία εξετάζει το πρόβλημα της μείωσης προσωπικού (employee attrition) σε επιχειρήσεις και επικεντρώνεται στη χρήση μεθόδων μηχανικής μάθησης για την πρόβλεψη της πιθανότητας οικειοθελούς αποχώρησης εργαζομένων, με στόχο την υποστήριξη των τμημάτων προσωπικού μεγάλου επιχειρηματικού ομίλου στην Ελλάδα. Χρησιμοποιήθηκαν και αξιολογήθηκαν οι αλγόριθμοι Logistic Regression, Decision Tree, Random Tree Forest, Support Vector Machines, Gradient Boosting, και AdaBoost για την εκτίμηση του κινδύνου αποχώρησης περίπου 7.000 ενεργών εργαζομένων, με δεδομένα που συλλέχθηκαν από το σύστημα ERP του επιχειρηματικού ομίλου. Ο αλγόριθμος Random Tree Forest αναδείχθηκε ως ο πιο αποτελεσματικός, επιτυγχάνοντας υψηλά ποσοστά ακρίβειας στην πρόβλεψη αποχωρήσεων. Μέσω ενός διαδραστικού πίνακα ελέγχου στο Power BI, τα τμήματα προσωπικού μπορούν να εντοπίσουν τους εργαζομένους με υψηλή πιθανότητα αποχώρησης και να λάβουν μέτρα για τη διατήρησή τους. Στην εργασία προτείνονται βελτιώσεις για τη αύξηση της ακρίβειας πρόβλεψης των αλγορίθμων και της εξηγησιμότητας των αποτελεσμάτων. | el |
| dc.format.extent | 51 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Πρόβλεψη οικειοθελούς αποχώρησης εργαζομένων | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | This thesis addresses the issue of employee attrition and focuses on using machine learning methods to predict voluntary employee exits, supporting the HR departments of a large business group in Greece. The algorithms that were utilized and evaluated to assess the risk of attrition for approximately 7,000 active employees, based on data collected from the business groups ERP system, were Logistic Regression, Decision Tree, Random Tree Forest, Support Vector Machines, Gradient Boosting, and AdaBoost. The Random Tree Forest algorithm proved to be the most effective, achieving high accuracy in predicting employee exits. A Power BI interactive dashboard allows HR departments to identify employees with a high probability of leaving and take measures to retain them. Recommendations for improving algorithm accuracy and explainability are introduced. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Οικειοθελής αποχώρηση προσωπικού | el |
| dc.subject.keyword | Employee attrition | el |
| dc.subject.keyword | Κατηγοριοποίηση | el |
| dc.subject.keyword | Classification | el |
| dc.subject.keyword | Logistic regression | el |
| dc.subject.keyword | Decision tree | el |
| dc.subject.keyword | Random tree forests | el |
| dc.subject.keyword | Support vector machines | el |
| dc.subject.keyword | Gradient boosting | el |
| dc.subject.keyword | Ada Boost | el |
| dc.date.defense | 2024-09-30 | |
